CN110322896A - 一种基于卷积神经网络的变压器故障声音识别方法 - Google Patents
一种基于卷积神经网络的变压器故障声音识别方法 Download PDFInfo
- Publication number
- CN110322896A CN110322896A CN201910559670.XA CN201910559670A CN110322896A CN 110322896 A CN110322896 A CN 110322896A CN 201910559670 A CN201910559670 A CN 201910559670A CN 110322896 A CN110322896 A CN 110322896A
- Authority
- CN
- China
- Prior art keywords
- neural networks
- convolutional neural
- audio
- identification method
- transformer fault
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 32
- 238000000034 method Methods 0.000 title claims abstract description 20
- 210000002569 neuron Anatomy 0.000 claims description 10
- 239000012634 fragment Substances 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 7
- 230000005236 sound signal Effects 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 2
- 238000001228 spectrum Methods 0.000 claims description 2
- 238000009432 framing Methods 0.000 abstract description 3
- 238000012544 monitoring process Methods 0.000 abstract description 3
- 230000008569 process Effects 0.000 abstract description 3
- 238000007689 inspection Methods 0.000 abstract description 2
- 238000002203 pretreatment Methods 0.000 abstract description 2
- 238000010008 shearing Methods 0.000 abstract description 2
- 238000004519 manufacturing process Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000009413 insulation Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000031864 metaphase Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000001681 protective effect Effects 0.000 description 1
- 230000036632 reaction speed Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000004804 winding Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
- G01H17/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves, not provided for in the preceding groups
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/03—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the type of extracted parameters
- G10L25/24—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the type of extracted parameters the extracted parameters being the cepstrum
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/27—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the analysis technique
- G10L25/30—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the analysis technique using neural networks
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/48—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use
- G10L25/51—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use for comparison or discrimination
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Signal Processing (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Human Computer Interaction (AREA)
- Computational Linguistics (AREA)
- Acoustics & Sound (AREA)
- Multimedia (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Testing Of Short-Circuits, Discontinuities, Leakage, Or Incorrect Line Connections (AREA)
Abstract
本发明公开了一种基于卷积神经网络的变压器故障声音识别方法。包括:使用静音剪切,分帧,Z‑score标准化等手段对音频进行预处理,在预处理后提取MFCC特征参数构成声谱图,将声谱图送入卷积神经网络进行识别并得到识别结果。本发明能够在线自动识别变压器的故障声音,减轻巡检负担,有效监控变压器的工作状态,提升工作安全性。
Description
技术领域
本发明涉及的是一种基于卷积神经网络的变压器故障声音识别方法,属于变压器故障在线监测领域。
背景技术
现代社会中大多数生产生活都伴随着电力的使用,一旦供电中断将给国民经济和人民生活带来重大的损失。减少停电事故,保持电力系统安全可靠运行是生产生活活动顺利进行的重要基础。电力系统中任何一个关键设备的停摆都将引起生产中断,影响人民生活活动的展开。变压器作为升降压,换流等角色广泛的出现在电网的各个角落,是电网中最重要的设备之一,它的可靠性与稳定性直接关系到电网能否安全,长效,经济地运行。据研究调查表明,每次停电每丢失的1千瓦时负荷都将造成约47元的经济损失,一次中小规模的停电就可能造成几十万甚至上百万的损失,供电企业也须为此向用户支付赔偿。如果停电范围涉及医院等重要设施还可能引起人员伤亡和重大事故。在此基础上,可以说变压器故障监测技术的每一点提高在其广泛的应用下都会有巨大的意义,相比出现故障带来的经济损失和可能的人员伤亡,在故障识别上投入无疑划算得多。
随着电力系统向特高压,大容量发展,变压器发生故障的概率与危害性也大大增加。在长期高强度的运行下,变压器可能出现的故障部位和故障种类都呈现多样化,包括缺相,部件松动,绝缘油过热,分接开关故障,局部放电,绕组故障等等。变压器自投运起就不可避免地开始老化,随着时间推移,绝缘层的绝缘性能逐渐变弱,轴承等部件开始磨损,各项指标逐渐劣化,各种因素综合起来最终就会引起故障。相当数量的故障类别如部件松动,异物落入等在线路上并没有明显的电信号改变,传统的保护装置也难以检测,但这些故障在早中期未造成严重后果前就会发出一定的声音信号,如果能捕捉这些信号并识别,将大大提高变压器运行的稳定性和安全性。因此提出了一种基于卷积神经网络的变压器故障声音识别方法,通过将声音信号预处理后提取MFCC特征构成声谱图,可以使用卷积神经网络实现良好的识别。
发明内容
为解决上述问题,本发明提出一种基于卷积神经网络的变压器故障声音识别方法。
本发明是通过以下技术方案实现的:基于卷积神经网络的变压器故障声音识别方法其中:使用静音剪切,分帧,Z-score标准化等手段对音频进行预处理,在预处理后提取MFCC特征参数构成声谱图,将声谱图送入卷积神经网络进行识别并得到识别结果
一种基于卷积神经网络的变压器故障声音识别方法,其特点在于:包括如下步骤:
S1.对音频信号进行预处理,包括采用静音剪切处理非平稳信号、对音频信号统一采用分帧处理、Z-score标准化处理;
S2.对预处理后的音频信号提取相同形状的MFCC特征参数作为特征矩阵,将特征矩阵增加一维,形成单声道的声谱图;
S3.将声谱图送入训练后卷积神经网络进行识别并得到识别结果。
所述步骤S1中采用静音剪切处理非平稳信号,具体是:
①采用变压器及环境声音,计算各音频片段的平均能量Ev,公式如下:
其中:d(n)表示第n个采样点,Ev为截取的包括m个采样点的音频片段的平均能量
②计算整段音频的平均能量Emean,公式如下:
其中:L表示音频采样总点数;
③当音频片段的平均能量Ev小于整段音频的平均能量Emean的40%时,则该音频片段作为无效噪声段进行删除。
所述步骤S1中Z-score标准化处理,公式如下:
其中:μ为每一帧的均值,σ为每一帧的方差,x表示各个采样点的原始值。
所述的训练后卷积神经网络是由变压器故障声音与各类环境噪声经过上述处理变成声谱图输入卷积神经网络训练而成。
所述的卷积神经网络的结构为一层卷积层,两层全连接层与一层输出层,卷积层包括N个滤波器,全连接层均为N个神经元,输出层神经元个数与要分类的声音类别对应相同。
与现有技术技术相比,本发明具有的有益效果是:
1)摆脱了对电气巡检人员个人经验的依赖,能够在线自动识别变压器的故障声音,大大提高了反应速度,降低了人工成本;
2)减轻巡检负担,有效监控变压器的工作状态,提升工作安全性。
3)基于声音的识别技术可以覆盖一些传统保护装置无法监测的故障类型。
附图说明
图1为卷积神经网络的结构图;
图2为基于卷积神经网络的变压器故障声音识别流程图。
具体实施方式
下面结合实施例和附图对本发明作详细说明:本实施例在以本发明方案为前提下进行实施,给出了详细的实施方式和具体的操作过程,但本发明的保护范围不限于下述的实施例。
请参阅图2,图2为基于卷积神经网络的变压器故障声音识别流程图,如图所示,一种基于卷积神经网络的变压器故障声音识别方法,包括如下步骤:
使用录音笔收录变压器声音,网络收集环境噪声,对其中的非平稳信号首先使用静音剪切处理,删去无效噪声段:
其中:L表示音频总采样点数,d(n)表示第n个采样点,Emean为整段音频的平均能量,Ev为截取的包括m个采样点的音频片段的平均能量,当其小于总的平均能量的40%时就将该段删去。
对音频文件以帧长335ms,帧移45ms进行分帧,对每一帧进行Z-score标准化:
其中:μ为每一帧的均值,σ为每一帧的方差,x表示各个采样点的原始值,经标准化后变为x*。
之后MFCC内部以25ms帧长,10ms帧移进行FFT,设置一组40个三角滤波器并返回40个倒谱值,每帧提取形状为(32,40)的特征矩阵,将特征矩阵增加一维,形状变为(32,40,1),由此形成声谱图结构,最后一维对应普通图片的RGB通道,不同之处仅在于声谱图是单颜色通道。
卷积神经网络的结构为一层卷积层,两层全连接层与一层输出层,卷积层包括186个(32,8)的滤波器,全连接层均为128个神经元。输出层神经元个数与要分类的声音类别对应相同。激活函数使用Relu,对输出层以外的所有神经元作dropout处理,概率为0.5,结构如图1所示。使用声谱图训练和测试卷积神经网络。
将变压器故障声音与各类环境噪声经过上述处理变成声谱图后供卷积神经网络作训练,收录要识别的声音后经过相同的处理输入训练好的卷积神经网络即可得到输出层神经元的输出,输出层神经元个数与做训练的声音类别对应相同,其中哪个输出层神经元的输出最大即说明输入样本属于哪一类。
尽管本发明的内容已经通过上述优选实施例作了详细介绍,但应当认识到上述的描述不应被认为是对本发明的限制。在本领域技术人员阅读了上述内容后,对于本发明的多种修改和替代都将是显而易见的。因此,本发明的保护范围应由所附的权利要求来限定。
Claims (5)
1.一种基于卷积神经网络的变压器故障声音识别方法,其特征在于:包括如下步骤:
S1.对音频信号进行预处理,包括采用静音剪切处理非平稳信号、对音频信号统一采用分帧处理、Z-score标准化处理;
S2.对预处理后的音频信号提取相同形状的MFCC特征参数作为特征矩阵,将特征矩阵增加一维,形成单声道的声谱图;
S3.将声谱图送入训练后卷积神经网络进行识别并得到识别结果。
2.根据权利要求1所述的基于卷积神经网络的变压器故障声音识别方法,其特征在于:所述步骤S1中采用静音剪切处理非平稳信号,具体是:
①采用变压器及环境声音,计算各音频片段的平均能量Ev,公式如下:
其中:d(n)表示第n个采样点,Ev为截取的包括m个采样点的音频片段的平均能量
②计算整段音频的平均能量Emean,公式如下:
其中:L表示音频采样总点数;
③当音频片段的平均能量Ev小于整段音频的平均能量Emean的40%时,则该音频片段作为无效噪声段进行删除。
3.根据权利要求1所述的基于卷积神经网络的变压器故障声音识别方法,其特征在于:所述步骤S1中Z-score标准化处理,公式如下:
其中:μ为每一帧的均值,σ为每一帧的方差,x表示各个采样点的原始值。
4.根据权利要求1所述的基于卷积神经网络的变压器故障声音识别方法,其特征在于:所述的训练后卷积神经网络是由变压器故障声音与各类环境噪声经过上述处理变成声谱图输入卷积神经网络训练而成。
5.根据权利要求4所述的基于卷积神经网络的变压器故障声音识别方法,其特征在于:所述的卷积神经网络的结构为一层卷积层,两层全连接层与一层输出层,卷积层包括N个滤波器,全连接层均为N个神经元,输出层神经元个数与要分类的声音类别对应相同。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910559670.XA CN110322896A (zh) | 2019-06-26 | 2019-06-26 | 一种基于卷积神经网络的变压器故障声音识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910559670.XA CN110322896A (zh) | 2019-06-26 | 2019-06-26 | 一种基于卷积神经网络的变压器故障声音识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110322896A true CN110322896A (zh) | 2019-10-11 |
Family
ID=68120448
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910559670.XA Pending CN110322896A (zh) | 2019-06-26 | 2019-06-26 | 一种基于卷积神经网络的变压器故障声音识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110322896A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110706721A (zh) * | 2019-10-17 | 2020-01-17 | 南京林业大学 | 基于bp神经网络的电除尘火花放电识别方法 |
CN111397884A (zh) * | 2020-04-17 | 2020-07-10 | 河北工业大学 | 一种改进梅尔倒谱系数算法的叶片故障诊断方法 |
CN111540346A (zh) * | 2020-05-13 | 2020-08-14 | 慧言科技(天津)有限公司 | 一种远场声音分类方法和装置 |
CN111723683A (zh) * | 2020-05-29 | 2020-09-29 | 国网上海市电力公司 | 一种基于改进mfcc和k近邻的变压器故障声音识别方法 |
CN111933177A (zh) * | 2020-07-23 | 2020-11-13 | 安徽声讯信息技术有限公司 | 基于机器声波识别智能故障分析方法及系统 |
CN112508058A (zh) * | 2020-11-17 | 2021-03-16 | 安徽继远软件有限公司 | 基于音频特征分析的变压器故障诊断方法及装置 |
CN112700793A (zh) * | 2020-12-24 | 2021-04-23 | 国网福建省电力有限公司 | 一种水轮机故障碰撞的识别方法及系统 |
CN112710486A (zh) * | 2019-10-24 | 2021-04-27 | 广东美的白色家电技术创新中心有限公司 | 设备故障检测方法、设备故障检测装置及计算机存储介质 |
CN113739905A (zh) * | 2020-05-27 | 2021-12-03 | 现代摩比斯株式会社 | 用于定位转向系统中发生的噪声的装置及方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102800318A (zh) * | 2012-06-27 | 2012-11-28 | 优视科技有限公司 | 音频数据流的发送、接收装置及方法 |
CN104819846A (zh) * | 2015-04-10 | 2015-08-05 | 北京航空航天大学 | 一种基于短时傅里叶变换和稀疏层叠自动编码器的滚动轴承声音信号故障诊断方法 |
CN106404388A (zh) * | 2016-09-13 | 2017-02-15 | 西安科技大学 | 一种刮板输送机飘链故障诊断方法 |
CN106546892A (zh) * | 2016-11-10 | 2017-03-29 | 华乘电气科技(上海)股份有限公司 | 基于深度学习的局部放电超声音频识别方法及系统 |
CN106653032A (zh) * | 2016-11-23 | 2017-05-10 | 福州大学 | 低信噪比环境下基于多频带能量分布的动物声音检测方法 |
CN108073856A (zh) * | 2016-11-14 | 2018-05-25 | 华为技术有限公司 | 噪音信号的识别方法及装置 |
CN108962279A (zh) * | 2018-07-05 | 2018-12-07 | 平安科技(深圳)有限公司 | 音频数据的乐器识别方法及装置、电子设备、存储介质 |
KR20190018798A (ko) * | 2017-08-16 | 2019-02-26 | 강병수 | 차량 소음의 컨벌루션 뉴럴 네트워크에 의한 소음 분류 방법 |
CN109473120A (zh) * | 2018-11-14 | 2019-03-15 | 辽宁工程技术大学 | 一种基于卷积神经网络的异常声音信号识别方法 |
CN109740523A (zh) * | 2018-12-29 | 2019-05-10 | 国网陕西省电力公司电力科学研究院 | 一种基于声学特征和神经网络的电力变压器故障诊断方法 |
-
2019
- 2019-06-26 CN CN201910559670.XA patent/CN110322896A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102800318A (zh) * | 2012-06-27 | 2012-11-28 | 优视科技有限公司 | 音频数据流的发送、接收装置及方法 |
CN104819846A (zh) * | 2015-04-10 | 2015-08-05 | 北京航空航天大学 | 一种基于短时傅里叶变换和稀疏层叠自动编码器的滚动轴承声音信号故障诊断方法 |
CN106404388A (zh) * | 2016-09-13 | 2017-02-15 | 西安科技大学 | 一种刮板输送机飘链故障诊断方法 |
CN106546892A (zh) * | 2016-11-10 | 2017-03-29 | 华乘电气科技(上海)股份有限公司 | 基于深度学习的局部放电超声音频识别方法及系统 |
CN108073856A (zh) * | 2016-11-14 | 2018-05-25 | 华为技术有限公司 | 噪音信号的识别方法及装置 |
CN106653032A (zh) * | 2016-11-23 | 2017-05-10 | 福州大学 | 低信噪比环境下基于多频带能量分布的动物声音检测方法 |
KR20190018798A (ko) * | 2017-08-16 | 2019-02-26 | 강병수 | 차량 소음의 컨벌루션 뉴럴 네트워크에 의한 소음 분류 방법 |
CN108962279A (zh) * | 2018-07-05 | 2018-12-07 | 平安科技(深圳)有限公司 | 音频数据的乐器识别方法及装置、电子设备、存储介质 |
CN109473120A (zh) * | 2018-11-14 | 2019-03-15 | 辽宁工程技术大学 | 一种基于卷积神经网络的异常声音信号识别方法 |
CN109740523A (zh) * | 2018-12-29 | 2019-05-10 | 国网陕西省电力公司电力科学研究院 | 一种基于声学特征和神经网络的电力变压器故障诊断方法 |
Non-Patent Citations (5)
Title |
---|
YUAN XIE ETC: "Feature Extraction Based on DWT and CNN for Rotating Machinery Fault Diagnosis", 《2017 29TH CHINESE CONTROL AND DECISION CONFERENCE (CCDC)》 * |
张应军 等: "基于深度卷积神经网络的未知复合故障诊断", 《中国科技论文》 * |
张晓龙 等: "基于残差网络和随机森林的音频识别方法", 《计算机工程与科学》 * |
杨毫鹤: "飞机发动机异常声音识别方法研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
柴明锐等: "《数据挖掘技术及在石油地质中的应用》", 30 September 2017, 天津科学技术出版社 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110706721A (zh) * | 2019-10-17 | 2020-01-17 | 南京林业大学 | 基于bp神经网络的电除尘火花放电识别方法 |
CN112710486A (zh) * | 2019-10-24 | 2021-04-27 | 广东美的白色家电技术创新中心有限公司 | 设备故障检测方法、设备故障检测装置及计算机存储介质 |
CN111397884A (zh) * | 2020-04-17 | 2020-07-10 | 河北工业大学 | 一种改进梅尔倒谱系数算法的叶片故障诊断方法 |
CN111540346A (zh) * | 2020-05-13 | 2020-08-14 | 慧言科技(天津)有限公司 | 一种远场声音分类方法和装置 |
CN113739905A (zh) * | 2020-05-27 | 2021-12-03 | 现代摩比斯株式会社 | 用于定位转向系统中发生的噪声的装置及方法 |
CN111723683A (zh) * | 2020-05-29 | 2020-09-29 | 国网上海市电力公司 | 一种基于改进mfcc和k近邻的变压器故障声音识别方法 |
CN111933177A (zh) * | 2020-07-23 | 2020-11-13 | 安徽声讯信息技术有限公司 | 基于机器声波识别智能故障分析方法及系统 |
CN111933177B (zh) * | 2020-07-23 | 2024-01-09 | 安徽声讯信息技术有限公司 | 基于机器声波识别智能故障分析方法及系统 |
CN112508058A (zh) * | 2020-11-17 | 2021-03-16 | 安徽继远软件有限公司 | 基于音频特征分析的变压器故障诊断方法及装置 |
CN112508058B (zh) * | 2020-11-17 | 2023-11-14 | 安徽继远软件有限公司 | 基于音频特征分析的变压器故障诊断方法及装置 |
CN112700793A (zh) * | 2020-12-24 | 2021-04-23 | 国网福建省电力有限公司 | 一种水轮机故障碰撞的识别方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110322896A (zh) | 一种基于卷积神经网络的变压器故障声音识别方法 | |
CN102426835B (zh) | 一种基于支持向量机模型的开关柜局部放电信号识别方法 | |
CN111204363B (zh) | 一种牵引系统故障诊断预警和状态评估方法、装置及系统 | |
CN103776622B (zh) | 一种高压断路器机械故障快速诊断系统 | |
CN112014047B (zh) | 一种有载分接开关机械故障诊断方法 | |
CN205622133U (zh) | Gis开关设备动作状态监测系统 | |
CN109374318A (zh) | 基于dpc的轨道车辆多门系统异常检测方法和系统 | |
CN113257249A (zh) | 一种基于声纹识别的电力设备故障诊断方法、装置和设备 | |
CN115687969A (zh) | 一种基于声音特征分析的低压变压器故障诊断方法 | |
CN116778964A (zh) | 一种基于声纹识别的变电设备故障监测系统及方法 | |
CN115932561A (zh) | 一种基于声纹识别的高压断路器机械故障在线诊断方法 | |
CN113670434B (zh) | 变电站设备声音异常识别方法、装置和计算机设备 | |
CN106355187A (zh) | 视觉信息在电力设备监测中的应用 | |
CN114878172A (zh) | 一种船舶主机气缸温度信号特征提取方法及系统 | |
CN117540235B (zh) | 一种临时用电异常数据实时监测方法 | |
CN110701136A (zh) | 一种适用于断路器液压系统频繁打压数据分析及预警的辅助系统 | |
CN111860241A (zh) | 一种基于小波包分析的电力设备放电故障识别方法 | |
CN113917294B (zh) | 基于小波分解的智能自适应电弧检测方法及其应用装置 | |
CN2570789Y (zh) | 变压器油箱油中水分在线监测装置 | |
CN114155877A (zh) | 基于门控循环单元的变压器故障声音识别方法 | |
CN115524573A (zh) | 故障检测方法、装置、存储介质及电子设备 | |
CN205506952U (zh) | 一种电力电容器在线监测装置 | |
Qi et al. | Transformer Voiceprint Feature Extraction and Fault Recognition Based on MFCC and Deep Learning | |
Chen et al. | Research on Voice Print Recognition of Electrical Faults Based on Attention-MFCC Algorithm | |
Wang et al. | Fault prognostics and reliability estimation of DC motor using time series analysis based on degradation data |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20191011 |